股票基金学习1

1.寻找一种赚钱的方法,然后重复它
克制住贪婪,把长期年复合收益率定在10%-20%

上证市盈率20倍下开始定期买入累计净值在前30位内的开放式基金,30倍停止买入

平均市盈率在很大程度上,反映出市场整体投资价值

从二十年的历史来看,上证平均市盈率20倍以下是投资区域

市赢率:股票市场永远在超跌和超涨中循环往复,2007年造就了平均70倍市赢率的超级泡膜,那是因为牛市,现在平均市赢率不到20倍,但仍然没有到底部,真正的底部历史早就告诉我们,会出现10倍,5倍市赢率的股票,而平均市赢率应该在15倍以下,底部才会真正的到来.

参考市盈率2000-2010http://wenku.baidu.com/view/13f9b2136edb6f1aff001fc9.html

中国历史上的几次牛市顶端的上证平均市盈率

2001年6月底摸高2200后,平均市盈率达到了60倍;
07年大牛6000点时的平均市盈率大约70倍,市净率达6.3倍;
2009年6月29日,沪市平均市盈为27.37倍;

当前市盈率:http://www.sse.com.cn/

平 均市盈率:

12.41

 

 

PE:本益比,把一只股票的股价除以它的每股净利就可得到它的本益比PE。

例如MAYBANK刚刚公布它的半年业绩,它的最新EPS是半年0.30令吉。所以我们就可预测它的全年EPS将是0.60令吉。(0.30×2=0.60)

现在MAYBANK的股价大约为14.40令吉,所以它的PE应该是24。

PE = PRICE / EPS
PE = 14.40 / 0.60
PE = 24

那么多少的PE才是合理的呢?

依我个人的看法,只要它比定期存款的PE低就是合理的了。

定期存款也有它的PE吗?当然有。

那么现在定期存款的PE是多少?

今天定期存款的利息是4.50巴仙。1.00令吉的存款一年只能赚0.045令吉。

所以PRICE=1.00,EPS=0.045。

PE = PRICE / EPS
PE = 1.00 / 0.045
PE = 22.2

所以今天定期存款的PE就是22.2。

例如在1998年初,综合指数大约是700点,当时的定期存款利息却高达12.5巴仙。每1.00令吉的存款一年就能赚0.125令吉。它的PE就是8。(1.00/0.125=8)

当时KLCI的平均PE却是14.08。所以两者比较起来,股票就比定期存款昂贵了。我们只要知道股票是昂贵的,我们就知道该怎样做了。

2.

个 人 存 款 计 算 器

http://www.cmbchina.com/CmbWebPubInfo/Cal_Saving_Per.aspx?chnl=ckjsq

零存整取,每个月5000,一年60000,利息926.25,年利率:2.85

从基金收益率排名中选取第3名测试:

定投计算器

http://fund.eastmoney.com/dingtou/shouyijisuan.html

定投基金:汇添富医药保健
470006

定投总期数投入总本金(元)分红方式期末总资产(元)定投收益率
12期60,000.00红利再投73,327.9222.21%

爱因斯坦也要说:“世界上最强大的力量是复利,是世界8大奇观!”

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值